DoctorAgents: an agentic framework to iteratively refine AutoML pipeline for small clinical temporal data
يُعد DoctorAgents إطار عمل للذكاء الاصطناجِي (agentic AI) يستفيد من نماذج لغوية كبيرة متخصصة لتطوير مسارات تعلم الآلة السريرية بشكل تكراري من خلال تحديثات قائمة على الاستدلال وتغذية راجعة بلغة طبيعية، متفوقاً بذلك على أنظمة التعلم الآلي الآلي (AutoML) التقليدية في التعامل مع البيانات الزمنية الصغيرة وغير المتجانسة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم حاسوب كيف يصبح طبيبًا. أنت تقدم له مجموعة من سجلات المرضى، آملًا أن يتمكن من رصد الأنماط التي تتنبأ بمن قد يمرض أو من يحتاج إلى علاج محدد. هذا هو عالم التعلم الآلي السريري (Clinical Machine Learning). ولكن ثمة عقبة: سجلات المرضى الحقيقية فوضوية. فهي ليست جداول بيانات مرتبة حيث يمثل كل صف لقطة مثالية في زمن معين. بدلاً من ذلك، هي تشبه مذكرات فوضوية حيث قد يزور المريض الطبيب مرة واحدة في السنة، ثم ثلاث مرات في الأسبوع، ثم يختفي لشهور. بعض الملاحظات مفقودة، وبعضها غامض، وغالبًا ما يكون لتوقيت القياس أهمية لا تقل عن أهمية الرقم نفسه.
ولجعل هذه الفوضى مفهومة، يقوم العلماء عادةً ببناء خطوط معالجة التعلم الآلي (Machine Learning Pipelines). فكر في خط المعالجة كأنه خط تجميع في مصنع مصمم خصيصًا؛ جزء منه ينظف البيانات، وجزء آخر ينظم الملاحظات الفوضوية في تنسيق يفهمه الحاسوب، وجزء أخير يبني نموذج التنبؤ. تقليديًا، كان بناء هذه المصانع وظيفة بطيئة ويدوية تتطلب فريقًا من الخبباء: إحصائي للتحقق من الرياضيات، وعالم حاسوب لكتابة الكود، وطبيب للتأكد من أن المنطق يتوافق مع المعنى الطبي. مؤخرًا، حاولت الذكاء الاصطناعي (AI) أتمتة هذه العملية. بعض الأنظمة، التي تُسمى التعلم الآلي المؤتمت (AutoML)، تعمل مثل طاهٍ مذعور يجرب كل وصفة ممكنة في العالم ليرى أيها سيعطي أفضل مذاق؛ فهي تلقي بآلاف التشكيلات على المشكلة، آملة أن ينجح أحدها. لكن بالنسبة لمجموعات البيانات الطبية الصغيرة والفوضوية، فإن نهج "القوة الغاشمة" هذا غالبًا ما يهدر الوقت، ويفقد الإشارات الدقيقة، ويقدم نتائج يصعب فهمها.
هنا يبرز ظهور DoctorAgents، وهو نهج جديد وصفه باحثون من جامعة مكغيل ومعهد كيبيك للذكاء الاصطناعي. فبدلًا من طاهٍ مذعور يلقي بالمكونات على الجدار، يقترح الباحثون فريقًا من "أطباء" الذكاء الاصطناعي المتخصصين الذين يعملون معًا مثل مجلس طبي تعاوني. هذا النظام، المسمى DoctorAgents، لا يخمن فحسب؛ بل يستنتج. فهو يستخدم فريقًا من وكلاء النماذج اللغوية الكبيرة (LLM agents) — وهم مساعدون متخصصون من الذكاء الاصطناعي — لتحليل البيانات، وبناء خط معالجة، واختباره، ثم التفكير في سبب فشله قبل إجراء إصلاح صغير ومستهدف.
الفكرة الجوهرية هي التحسين الوكيل التكراري (Iterative Agentic Refinement). تخيل أنك تحل لغزًا معقدًا؛ قد يحاول الحاسوب التقليدي استبدال لوحة اللغز بأكملها في كل مرة لا تتناسب فيها قطعة ما. أما DoctorAgents، فيعمل مثل المحقق؛ إذا لم تتناسب قطعة ما، فإنه يسأل: "لماذا؟"، ثم يقوم بتحريك تلك القطعة برفق أو تغيير زاوية اللوحة قليلًا، بدلًا من البدء من جديد. إنه يستخدم تقنية تُسمى الانحدار المتدرج النصي (Textual Gradient Descent)، وهي تشبه ترجمة ملاحظات الطبيب باللغة الطبيعية ("هذه الميزة مشوشة للغاية") إلى تحديث دقيق للكود دون إعادة كتابة البرنامج بالكامل.
اختبر الباحثون هذا النظام على أربعة تحديات سريرية مختلفة باستخدام بيانات مرضى حقيقية. شملت هذه التحديات التنبؤ بمن قد يموت في وحدة العناية المركزة، ومن قد يُعاد إدخاله إلى المستشفى في غضٍ خلال أسبوع، ومدة بقاء المريض في المستشفى، وما إذا كان مريض التهاب المفاصل الروماتويدي سيستجيب لعلاج دوائي معين. كانت البيانات "صغيرة" بالمعايير الكبرى للذكاء الاصطناعي (غالبًا ما تتراوح بين بضع مئات إلى بضعة آلاف من المرضى) وكانت "زمنية"، مما يعني أن توقيت كل قياس كان أمرًا بالغ الأهمية وغير منتظم.
تشير النتائج إلى أن DoctorAgents يعد منافسًا قويًا. في هذه التجارب، تفوق فريق الذكاء الاصطنا هذا باستمرار على الأنظمة المؤتمتة الأخرى، بما في ذلك أساليب "القوة الغاشمة" الأكثر تطورًا والوكلاء الآخرين. فعلى سبيل المثال، في التنبؤ بوفيات العناية المركزة، حقق نظام DoctorAgents-DS (وهو نسخة متخصصة من النظام) درجة 0.520، متفوقًا على أفضل طريقة تالية التي سجلت 0.476. وفي التنبؤ بالاستجابة لعلاج التهاب المفاصل الروماتويدي، وصل إلى 0.577، متجاوزًا أفضل نتيجة سابقة بلغت 0.564.
لكن الورقة البحثية تشير إلى شيء أكثر أهمية من مجرد الحصول على درجة أعلى: وهو قابلية التفسير (Interpretability). نظرًا لأن وكلاء الذكاء الاصطناعي يستنتجون خطواتهم ويحتفظون بـ "سجل ذاكرة" لما نجح وما فشل، فإن الميزات التي ينشئونها تكون منطقية للبشر. فبالنسبة للتنبؤ بالتهاب المفاصل، لم يكتفِ النظام بإيجاد رقم عشوائي، بل بنى ميزات يمكن للطبيب البشري التعرف عليها كمعانٍ ذات دلالة، مثل تقلب مستويات التعب لدى المريض على مدار عام أو النوع المحدد للدواء الذي وُصف له. لقد استبعد النظام صراحةً فكرة أن إعادة توليد خطوط المعالجة بأكملها من الصفر هي الطريقة المثلى؛ وبدلاً من ذلك، وجد أن التحسين المستهدف القائم على الذاكرة يؤدي إلى نتائج أكثر استقرارًا وموثوقية.
ويلاحظ المؤلفون بحذر أنه رغم كون النظام قويًا وفعالاً، إلا أنه ليس عصا سحرية. ففي مهمة التهاب المفاث الروماتويدي، كان الأداء متواضعًا عبر جميع الطرق، مما يشير إلى أن البيانات نفسها قد تفتقر إلى إشارات تنبؤية قوية، وهو قصور لا يمكن للذكاء الاصطناعي تجاوزه سحريًا. ومع ذلك، فإن الدراسة تشير بقوة إلى أنه بالنسبة للبيانات الطبية الصغيرة والفوضوية والقائمة على الزمن، فإن وجود فريق من وكلاء الذكاء الاصطناعي الاستنتاجي الذين يتعلمون من أخطائهم هو استراتيجية أكثر فعالية من نظام يحاول كل شيء ويأمل في النجاح. إن هذا يحول عملية بناء نموذج تنبؤ طبي من لعبة حظ إلى حوار تكراري مدروس بين الآلة والبيانات التي تحاول فهمها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.